.NET 解析HTML代碼——NSoup，.net解析htmlnsoup

.NET 解析HTML代碼——NSoup，.net解析htmlnsoup

NSoup是一個開源框架，是JSoup（Java）的.NET移植版本

1、直接用起來

NSoup.Nodes.Document htmlDoc = NSoup.NSoupClient.Parse(HTMLString);       //無需實例化

NSoup的強大之處在於可以用類似js的方法來獲取節點元素

通過元素類型獲取元素GetElementByTag("p")

NSoup.Select.Elements ele= htmlDoc.GetElementsByTag(TbTag.Text);
foreach (var item in ele)
{
if (item.Attr("class") == "col-sm-4 col-xs-6 listtit1")   //通過Attr(""href)可以獲取元素的屬性
{
 　　sb.AppendLine(item.Text());     //通過Text()方法可以獲取元素中的文本內容
}
}

2、做了一個winform的小demo

關鍵代碼：

 下面以提取一個html代碼中211大學名和地點的為例：

        private void GetHtml_Click(object sender, EventArgs e)
        {
            //獲取指定地址的Html代碼
            TbCode.Text = "";
            string url = TbUrl.Text.Trim();
            WebClient client = new WebClient();
            client.Encoding = System.Text.Encoding.UTF8;
            string html = client.DownloadString(url);
            TbCode.Text = html;
        }

        private void Analysis_Click(object sender, EventArgs e)
        {
            NSoup.Nodes.Document htmlDoc = NSoup.NSoupClient.Parse(TbCode.Text);
            NSoup.Select.Elements ele= htmlDoc.GetElementsByTag(TbTag.Text);
            System.Text.StringBuilder sb=new StringBuilder();
            foreach (var item in ele)
            {
                sb.AppendLine(item.Text());
                foreach (var item1 in item.NextElementSibling.Children)
                {
                    if (item1.Attr("class") == "col-sm-4 col-xs-6 listtit1")
                    {
                        sb.AppendLine(item1.Text());
                    }
                }
            }
            TbElement.Text = sb.ToString();
        }

html代碼片段（因篇幅原因未貼全）：

<h4>安徽</h4>
<ul class="list-unstyled clearfix">
    <li class="col-sm-4 col-xs-6 listtit1"><a href="/daxue/detail/detail3712.html">合肥工業大學</a></li>
    <li class="col-sm-4 col-xs-6 listtit1"><a href="/daxue/detail/detail3715.html">中國科學技術大學</a></li>
    <li class="col-sm-4 col-xs-6 listtit1"><a href="/daxue/detail/detail3716.html">安徽大學</a></li>
</ul>

效果（標簽類型h4）：

3、插入數據庫代碼示例（提取專業名和編號）：

private void BtnInsert_Click(object sender, EventArgs e)
        {
            NSoup.Nodes.Document htmlDoc = NSoup.NSoupClient.Parse(TbCode.Text);
            NSoup.Select.Elements eles = htmlDoc.GetElementsByTag(TbTag.Text);

            string connectionString = @"這裡是連接字符串";

            using (SqlConnection conn = new SqlConnection(connectionString))
            {
                conn.Open();
                foreach (var item in eles)
                {
                    if (item.Attr("width") == "20%" && item.NextElementSibling 
　　　　　　　　　　　　　　!= null && item.Text().Length > 4)
                    {
                        string sql = "insert into Major (mId,mName) values
　　　　　　　　　　　　　　　　　　　　　　('" +item.Text() + "','" + item.NextElementSibling.Text() + "')";
                        using (SqlCommand cmd = new SqlCommand(sql, conn))
                        {
                            cmd.ExecuteNonQuery();
                        }
                    }

                }
                conn.Close();
            }

        }

Html代碼片段：

<table class="cla" border="0" cellspacing="1" cellpadding="0" width="100%" bgcolor="#dedede">
        <tbody>
          <tr class="scon">
　　　　　　　　<td bgcolor="#ffffff" width="20%"><strong>0101</strong></td>
　　　　　　　　<td bgcolor="#ffffff" height="30"><strong>哲學類</strong></td>
　　　　　　</tr>
          <tr><td bgcolor="#ffffff" width="20%">010101</td>
　　　　　　　　<td bgcolor="#ffffff" height="30"><span class="pl20">哲學</span></td></tr>
          <tr><td bgcolor="#ffffff" width="20%">010102</td>
　　　　　　　　<td bgcolor="#ffffff" height="30"><span class="pl20">邏輯學</span></td></tr>
          <tr><td bgcolor="#ffffff" width="20%">010103K</td>
　　　　　　　　<td bgcolor="#ffffff" height="30"><span class="pl20">宗教學</span></td></tr>
        </tbody>
</table>

方法有很多種，就不一一列舉了，可以多試幾種，當然熟悉Python的朋友就不必這麼麻煩了，Python有更專業的html解析器，有時間可以了解一下